基于改进时空图注意力网络的车辆多模态轨迹预测

摘要：人工驾驶车辆轨迹预测的准确性直接关系到自动驾驶的安全性。针对现有基于时空图注意力网络的车辆多模态轨迹预测模型(Spatial-Temporal Graph Attention Network for Vehicle Multimodal Trajectory Prediction, STGAMT)在历史轨迹特征捕捉和动态意图建模上的缺陷，研究提出两项改进：用扩展长短期记忆(Extended Long Short-Term Memory, xLSTM)网络模块替换原模型历史轨迹编码器和多模态输出模块解码器中的门控循环单元(Gated Recurrent Unit, GRU),以增强对车辆复杂时序行为模式的捕捉能力；引入由时序卷积网络(Temporal Convolutional Network, TCN)、意图记忆模块及动态图网络构成的动态意图演化(Dynamic Intention Evolution, DIE)建模机制，实现对驾驶意图的精准刻画。实验显示，改进后的STGAMT-xLSTM-DIE模型在短期预测中的均方根误差(Root-Mean-Square Error, RMSE)对比原模型降低9.5%和5.1%,在长期预测中的RMSE分别降低11.8%、2.1%和7.3%。